PBOSTSTGA

PBoostGA:用于变量排序和选择的伪提升遗传算法。变量选择一直是线性回归模型中的一个热门话题,特别是当面对高维数据时。变量排序,一种高级的选择形式,实际上是更基本的,因为选择可以通过阈值适当地实现,一旦变量被适当地排序。近年来,集成学习在变量选择的背景下获得了极大的兴趣,因为它有很大的潜力来提高选择精度并降低错误地包括一些不重要变量的风险。由于Boosting算法的广泛成功,本文提出了一种新的集成方法PBOSTSTGA,用于在线性回归模型中实现变量排序和选择。在PBoostGA,在训练集上保持权重分布,并采用遗传算法作为基础学习器。最初,每个实例都分配相等的权重。根据权重更新和集成成员生成机制AdaboSt.RT对每个变量依次产生一系列稍微不同的重要措施。最后,根据平均重要性度量对候选变量进行排序,然后通过阈值规则选择一些重要变量。仿真结果和实际数据图解说明了PBOSTSTGA与一些现有同行相比的有效性。特别是,PBoostGA具有更强的排除冗余变量的能力。

本软件关键词

这里的任何东西都将在支持画布元素的浏览器上被替换。